Simba 3.5 vs Eleven v4: Las dos clasificaciones no coinciden, y solo una de ellas se refiere a tu producto

Si pones SpeechifyAI Simba 3.5 y ElevenLabs Eleven v4 sobre la misma mesa, el resultado depende enteramente de cuál tabla de Artificial Analysis leas. En Controlled Voice —las mismas ocho voces de referencia clonadas para cada participante— Simba 3.5 ocupa el primer lugar con 1.192 y Eleven v4 el séptimo con 1.155, una diferencia de 37 puntos cuyos intervalos no se solapan. En Provider Voice —el elenco de voces propio de cada proveedor— Eleven v4 es primero con 1.340 y Simba 3.5 es quinto con 1.294, una diferencia de 46 puntos en la dirección opuesta, también con una separación limpia. Ninguna de las dos cifras es incorrecta. Están midiendo productos distintos, y cuál de ellas deberías creer lo determina una pregunta sobre tu stack y no sobre ninguno de los dos proveedores.

Las dos juntas, y por qué discrepan de forma tan absoluta

La Voz controlada mantiene constante el hablante. Artificial Analysis clona cuatro voces estadounidenses y cuatro británicas y hace que todos los modelos digan las mismas frases con esas mismas voces, de modo que un oyente que compara dos muestras solo percibe la calidad de la síntesis. La Voz del proveedor permite que cada proveedor proponga sus propias voces, lo que significa que el oyente juzga el modelo y el elenco de voces en conjunto: el timbre, el acento y las decisiones de interpretación que el proveedor seleccionó.

ElevenLabs ha pasado años construyendo ese elenco. Es la parte de la empresa que no es un modelo en absoluto, y es la razón por la que la tabla de proveedores tiene a Eleven v4 y Eleven v4 Turbo en los dos primeros puestos, con 32 muestras de clara diferencia entre ellos y el resto. Si se quita el elenco, Eleven v4 cae al séptimo puesto. La posición de Speechify es la imagen espejo: quinta con sus propias voces, primera sin ellas.

• Voz controlada — SpeechifyAI Simba 3.5, puesto 1, Elo 1.192, intervalo de 1.175 a 1.209, 1.783 muestras

• Voz controlada — ElevenLabs Eleven v4, rango 7, Elo 1.155, intervalo 1.143 a 1.167, 3.221 muestras

• Voz controlada — ElevenLabs Eleven v4 Turbo, puesto 6, Elo 1.156, intervalo 1.144 a 1.168, 3.327 muestras

• Voz del proveedor — ElevenLabs Eleven v4 puesto 1, Elo 1.340, intervalo 1.325 a 1.355, 2.742 muestras

• Voz del proveedor — ElevenLabs Eleven v4 Turbo, puesto 2, Elo 1.339, intervalo de 1.323 a 1.355

• Voz del proveedor — SpeechifyAI Simba 3.5, puesto 5, Elo 1.294, intervalo de 1.277 a 1.311, 1.732 muestras

• Voz del proveedor — Alibaba Qwen-Audio-3.1-TTS-Plus, puesto 3 con 1.300, entre los dos de esa clasificación

Ambas diferencias son mayores que los intervalos que las rodean, así que ninguno de los dos órdenes es una moneda al aire. La victoria de 37 puntos de Simba 3.5 en Controlled Voice y la victoria de 46 puntos de Eleven v4 en Provider Voice son ambas mediciones reales de cosas distintas. Eso es inusual —la mayoría de los pares de modelos se posicionan de la misma manera en ambos tableros— y es todo el contenido de esta comparación.

La pregunta que lo decide

Si tu producto incluye la voz que haya elegido el proveedor —una voz de asistente predeterminada, una pista de narración de catálogo, una única voz corporativa en toda una aplicación—, estás comprando lo que midió Provider Voice, y Eleven v4 lo supera por 46 puntos. Si tu producto permite a los usuarios elegir una voz, clonar la suya propia o llevar una voz de marca fija a todos los idiomas, estás comprando lo que midió Controlled Voice, y Simba 3.5 lo supera por 37 puntos.

Hay una prueba práctica que lo resuelve en una tarde: toma tres minutos de tu propio audio de referencia, clónalo en ambas plataformas y escucha. Un modelo que lidera la tabla controlada es un modelo que maneja bien una voz desconocida. Un modelo que lidera la tabla del proveedor es un modelo con buen gusto para las voces. Son habilidades distintas y tu carga de trabajo solo necesita una de ellas.

El precio no está cerca, y tampoco es toda la historia.

Eleven v4 tiene un precio de $0.08 por cada mil caracteres, lo que equivale a $80 por millón. Esa es la tarifa que figura en la propia página de precios de la API de ElevenLabs y la cifra que Artificial Analysis maneja para el modelo; la ventana promocional que estuvo vigente hasta mediados de octubre ha terminado, así que $80 es la cifra permanente y no un artefacto de lanzamiento. Eleven v4 Turbo cuesta la mitad, $40 por millón.

Simba 3.5 se ofrece a $15, $12 y $10 por millón de caracteres en Starter, Pro y Scale — una reducción desde los $20, $16 y $12 con los que se lanzó el 21 de octubre. Hasta el 21 de noviembre de 2026 inclusive, en cambio, factura a las tarifas de los modelos anteriores: $10, $8 y $6. A partir del 22 de noviembre se aplica la nueva lista y la oferta ya no.

• Eleven v4 — $80.00 por millón de caracteres, precio de lista, sin promoción activa

• Eleven v4 Turbo — $40.00 por millón de caracteres

• Simba 3.5 — $15.00 Starter, $12.00 Pro, $10.00 Scale por millón de caracteres, a partir del 22 de noviembre

• Simba 3.5 — $10.00, $8.00 y $6.00 por millón de caracteres hasta el 21 de noviembre

• Simba 3.2 y Simba 3.0 — sin cambios en las tarifas de $10, $8 y $6 en los mismos planes

Con cinco millones de caracteres al mes —unas cien horas de voz finalizada—, Eleven v4 cuesta $400 y Simba 3.5 cuesta entre $50 y $75 según el plan y la fecha. Eso supone un factor de cinco a ocho. Cualquiera que cite los $6.58 del ranking para Simba 3.5 está citando una tarifa incorporada al plan que no coincide con la lista publicada de Speechify; calcule el presupuesto a partir de la tabla de niveles anterior.

Idiomas: 48 bajo un mismo id frente a más de 90

Aquí es donde la comparación deja de ser un empate y empieza a ser una decisión de enrutamiento. Simba 3.5 habla 48 idiomas con un único id de modelo, frente a los seis que cubría Simba 3.0, y cada voz del catálogo —incluida una clonada— habla los 48 con el mismo id de voz. El estonio y el cantonés no están explícitamente en la lista. Eleven v4 cubre más de 90 idiomas con un límite de 10.000 caracteres por solicitud, lo que supone aproximadamente diez minutos de habla antes de tener que dividirla en fragmentos.

Cuarenta y ocho idiomas bastan para la mayoría de las líneas de producto europeas, latinoamericanas y de Asia Oriental, pero no para un catálogo verdaderamente global. Más de noventa basta para casi cualquier cosa, y si su requisito es «todos los entornos locales en los que vendemos», el argumento de la calidad deja de importar: uno de estos dos puede hacer el trabajo y el otro puede que no.

Existe una salvedad sobre el 48 que el proveedor dice en voz alta y que la mayoría de la cobertura omite: una voz conserva el acento de su grabación de origen. Una voz estadounidense clonada que habla japonés sonará como un estadounidense hablando japonés. La propia guía de Speechify es partir de la voz nativa seleccionada por el equipo para cada idioma, y por eso staff_pick_rank ahora aparece en el endpoint de voces. La transferencia de voz entre idiomas está disponible; no está libre de acentos.

Latencia, clonación y la forma de la API

Speechify informa 72 milisegundos de tiempo hasta el primer audio en el percentil 95 de las solicitudes de streaming bajo carga de producción, y 1,8 veces el rendimiento de Simba 3.2 por instancia de servicio. Son cifras del proveedor, no reproducidas. ElevenLabs no publica una cifra comparable para Eleven v4 en sí. La única cifra de latencia medida en la documentación de Simba es más antigua y más limitada: Simba 3.2 con 56 milisegundos de mediana y 102 milisegundos en el percentil 90 para el primer byte del lado del servidor, medida en US East el 15 de septiembre de 2026 — una métrica diferente del tiempo hasta el primer audio y no transferible.

El clonado de voz es zero-shot y de autoservicio en ambos, con una diferencia de fricción que importa a escala de equipo. El clonado de Simba 3.5 está disponible en los planes de pago sin aprobación. ElevenLabs ofrece clones instantáneos a partir de diez segundos de audio junto con su nivel de clonado profesional, y su verificación de consentimiento es la más desarrollada de las dos — un punto a su favor para cualquiera que lance voces proporcionadas por usuarios.

Las formas de las solicitudes no son intercambiables, lo cual conviene saber antes de escribir una capa de abstracción. Speechify se autentica con un token de portador, envía el texto como input, el modelo como model y no tiene ningún objeto voice_settings. ElevenLabs usa su propia cabecera y sus propios nombres de campo. Ambos admiten streaming; la compatibilidad con SSML de Speechify es un subconjunto, con break, prosody rate, prosody pitch, prosody volume y sub alias aplicados, y las etiquetas emphasis y emotion aceptadas pero ignoradas.

Dónde un router realmente ayuda aquí

Ninguno de los dos modelos está en OrcaRouter, y este artículo no afirma lo contrario: se accede a la línea Simba mediante la propia API de Speechify y a la línea de ElevenLabs mediante la de ElevenLabs. Lo que sí enrutamos es el catálogo de síntesis más pequeño, que constituye un grupo de control justo — openai/tts-1 a $15.00 por millón de caracteres y openai/tts-1-hd a $30.00, ambos al precio de lista del proveedor sin nada añadido.

El argumento de enrutamiento en este enfrentamiento concreto no tiene que ver con la calidad, porque la respuesta sobre la calidad ya está dividida. Es que las dos placas no coinciden, los precios difieren en un factor de cinco a ocho, y ambos hechos solo se mantienen estables hasta que se lance el siguiente modelo. Una pila que puede enviar el mismo script a dos proveedores y comparar con su propio audio tiene una respuesta que sobrevive a la siguiente actualización de la clasificación; una pila cableada a uno de ellos tiene que volver a debatir la decisión cada trimestre. La conmutación automática por error también cubre el caso que nadie incluye en los benchmarks — un incidente del lado del proveedor durante una semana de lanzamiento.

Un veredicto honesto, con el empate incluido

Eleven v4 es el mejor modelo si necesitas una amplia cobertura de idiomas, un elenco de voces curado que no tengas que crear, las herramientas de consentimiento y clonación más maduras, o un liderazgo en la tabla de proveedores que se ha mantenido en lo más alto de un campo de cien modelos. Cuesta entre cinco y ocho veces más, y el precio no es promocional.

Simba 3.5 es el modelo superior si tus voces son tuyas —clonadas, propiedad de la marca o elegidas por región— y si 48 idiomas cubren los mercados en los que realmente vendes. Encabeza la tabla que mantiene constante el hablante, que es la tabla que predice el rendimiento con una voz que el proveedor nunca ha oído. Además, lleva tres semanas con un calendario de precios que ya ha cambiado una vez, con una migración de model-id que llega el 21 de noviembre, así que el número con el que te das de alta no es necesariamente el número que pagarás en diciembre.

Lo que ninguna de las dos tablas de clasificación te dice es cuál prefieren tus oyentes en tu contenido. Treinta y siete puntos de Elo son una diferencia significativa y no sustituyen una prueba de escucha con tres minutos de tu propio guion con tu propia voz. Haz esa prueba antes de comprometer volumen con cualquiera de los dos.